Machine learning–based 18F-FDG PET/MR fusion radiomics for predicting EGFR mutation in lung cancer

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel innerhalb des Körpers eines Patienten zu lösen. Normalerweise müssen Ärzte, um herauszufinden, welche Art von „Schurken“ (eine spezifische genetische Mutation) den Lungenkrebs verursacht, eine Biopsie durchführen – ein Verfahren, bei dem eine Nadel in den Tumor gestochen wird, um ein winziges Stück Gewebe zu entnehmen. Es ist, als würde man versuchen, einen Kriminellen zu identifizieren, indem man ihn in einer dunklen Gasse stellt und seinen Fingerabdruck nimmt; es funktioniert, aber es ist invasiv, beängstigend für den Patienten, und manchmal versteckt sich der Kriminel so gut, dass der Detektiv mit leeren Händen das Feld räumt.

Hier kommt die medizinische Bildgebung ins Spiel, speziell eine hochtechnologische Kombination namens PET/MRT. Denken Sie an dies als eine superstarke Taschenlampe, die zwei Dinge gleichzeitig sehen kann: die Form des Tumors (wie ein Bildhauer, der eine Statue betrachtet) und wie viel Energie er verbrennt (wie eine Wärmebildkamera, die Hitze sieht). Wissenschaftler haben schon lange vermutet, dass die Art und Weise, wie ein Tumor aussieht und Energie verbrennt, geheime Hinweise auf seine genetische Zusammensetzung enthalten könnte, was es Ärzten potenziell ermöglichen würde, die Nadel zu überspringen und einfach nur die Bilder zu betrachten. Die große Frage ist: Kann ein Computer, der darauf trainiert wurde, winzige Muster in diesen Bildern zu erkennen, die das menschliche Auge übersieht, uns genau sagen, welche genetische Mutation den Krebs antreibt und wie stark diese Mutation ist? Dies war das Rätsel, das die Forscher lösen wollten.

---

Die digitale Detektivgeschichte

In dieser Studie beschloss ein Team von Forschern der Sun Yat-Sen Universität, diese Idee auf die Probe zu stellen. Sie sammelten 66 Patienten mit Lungenkrebs, die bereits diese ausgeklügelten PET/MRT-Scans durchlaufen hatten. Ihr Ziel war es, einen „digitalen Detektiven“ zu bauen – ein Modell des maschinellen Lernens –, der den Scan analysieren und zwei Dinge vorhersagen konnte: erstens, ob der Krebs eine spezifische genetische Veränderung namens EGFR-Mutation aufweist (ja oder nein), und zweitens, wie „reichlich“ diese Mutation innerhalb des Tumors vorhanden ist (ein Prozentsatz).

Das „Ja oder Nein“-Rätsel: Eine Sackgasse für ausgeklügelte Merkmale
Als das Team versuchte, die einfache „Ja oder Nein“-Frage vorherzusagen (Hat der Patient die Mutation?), waren die Ergebnisse für den High-Tech-Ansatz etwas enttäuschend. Sie fanden heraus, dass der Computer nicht die komplexen, super-detaillierten Texturanalysen der PET/MRT-Bilder benötigte, um das Problem zu lösen. Stattdessen lag die Antwort direkt vor Augen, verborgen in einfachen Hinweisen: das Geschlecht des Patienten, die Größe des Tumors und wie „höckerig“ oder unregelmäßig der Tumor im MRT aussah.

Tatsächlich stellten sie fest, dass es die Vorhersage nicht besser machte, wenn sie die ausgeklügelten Radiomics-Merkmale (die tiefgehende Texturdaten) zum Modell hinzufügten. Es war, als würde man versuchen, ein Haus mit einer Satellitenkarte zu finden, wenn ein einfaches Straßenschild völlig ausgereicht hätte. Die Studie schloss explizit die Idee aus, dass diese komplexen PET/MRT-Merkmale irgendeinen Zusatznutzen für die bloße Bestimmung der Anwesenheit einer Mutation boten. Das beste Modell für diese Aufgabe war ein geradliniges, das auf klinischen Fakten und grundlegenden MRT-Signalen basierte und eine sehr hohe Genauigkeit erreichte (ein AUC von 0,906), aber die ausgeklügelte Bildanalyse fügte nichts Neues hinzu.

Das „Wie viel“-Rätsel: Ein goldener Treffer
Die Geschichte ändert sich jedoch völlig, wenn die Detektive versuchten, die zweite Frage zu beantworten: Wie viel der Mutation ist vorhanden? Dies wird als „Variant Allele Frequency“ (VAF) gemessen, was im Grunde der Prozentsatz der Tumorzellen ist, die die Mutation tragen.

Hier glänzte das Modell des maschinellen Lernens. Durch die Analyse der PET-Bilder (der „Energie“-Teil des Scans) fand der Computer ein sehr spezifisches Muster, das wie ein Kristallball funktionierte.

• In der Gruppe der Patienten insgesamt konnte das Modell etwa 68,7 % der Unterschiede in der Mutationshäufigkeit erklären.
• Die entscheidenden Hinweise waren die „standardisierte metabolische Aktivität“ (wie hungrig der Tumor nach Zucker war) und ein spezifisches Texturmerkmal namens „PET Wavelet LLH Kurtosis“ (eine ausgeklügelte Art, die Energie-Hotspots als spitz oder konzentriert zu beschreiben).

Der „Exon 21“-Jackpot
Die spannendste Entdeckung gelang, als sie eine spezifische Untergruppe von Patienten betrachteten: jene mit einer Mutation in „Exon 21“ (einem spezifischen Ort auf dem Gen). Für diese Gruppe arbeitete das Modell nicht nur gut, es war fast magisch.

• Ein einzelnes Merkmal aus dem PET-Scan, genannt „PET_wavelet-HHL_ngtdm_Busyness“, erklärte massive 85,8 % der Variation in der Mutationshäufigkeit.
• Was ist „Busyness“ (Geschäftigkeit)? Stellen Sie sich vor, Sie betrachten eine belebte Stadtstraße aus einem Helikopter. Wenn der Verkehr glatt und gleichmäßig ist, ist er „ruhig“. Wenn der Verkehr chaotisch ist, mit Autos, die in zufälligen, zackigen Mustern ausweichen und stoppen, ist er „geschäftig“. Im Tumor bedeutet ein hoher „Busyness“-Wert, dass die Krebszellen die Energie auf eine sehr chaotische, unregelmäßige Weise verbrennen. Die Studie fand heraus, dass je chaotischer die Energiefunktion ist, desto höher ist der Prozentsatz der mutations-tragenden Zellen.

Was dies bedeutet (und was es nicht bedeutet)
Die Forscher weisen vorsichtig darauf hin, dass diese Ergebnisse zwar vielversprechend sind, sich aber noch in der „explorativen“ Phase befinden. Die Studie war klein (nur 66 Patienten, und noch weniger für die spezifischen Untergruppen) und wurde in nur einem Krankenhaus durchgeführt. Sie haben noch nicht bewiesen, dass dies für jeden funktioniert; sie haben lediglich gezeigt, dass es eine starke Möglichkeit nahelegt.

Das Paper kommt zu dem Schluss, dass die ausgeklügelte Bildanalyse zwar vielleicht nicht dabei hilft zu entscheiden, ob eine Mutation existiert (da grundlegende klinische Hinweise bereits gut darin sind), sie aber unglaublich nützlich sein könnte, um herauszufinden, wie viel von der Mutation vorhanden ist, insbesondere für den Exon-21-Typ. Dies könnte Ärzten eines Tages helfen, genau zu entscheiden, wie viel Medikamente ein Patient benötigt, und so den Weg von einem „Einheitsansatz“ zu einem hochgradig personalisierten Plan ebnen. Aber für den Moment sagt das Team, dass wir dies an viel mehr Patienten in verschiedenen Krankenhäusern testen müssen, bevor wir es in der realen Welt anvertrauen können.